机器学习在线班的课程大纲讨论稿(不断修改调整中)


本次课程为在线课程,一次课2小时,预计总共20次课,支持在线实时互动(讨论答疑),且一定程度的理论联系实际,结合案例、例子、项目,兼顾到应用。

现草拟一份课程大纲,基本按照去年10月线下班的课程大纲(http://www.julyedu.com/machinelearning.php#end1),以及部分欲报名学员的反馈个性化定制(http://ask.julyedu.com/question/41)。

大家有何修改、补充意见,欢迎随时回复于本帖子下,thanks(2.10日左右正式敲定最终的课程大纲):
第1~4次课,机器学习中的基础:
微积分(函数与极限、导数与微分、不定积分与定积分)、概率论与数理统计(期望方差、大数定律、二项分布、中心极限定理、正态分布)
矩阵(正交矩阵、协方差矩阵、SVD)
最优化(凸函数、凸优化、对偶问题)
极大似然估计、最小二乘、线性回归、logistic回归

第5次课,牛顿、拟牛顿、梯度下降、随机梯度下降(SGD)
第6次课,熵、最大熵模型MaxEnt、改进的迭代尺度法IIS
第7次课,聚类(k-means、层次聚类、谱聚类等)

第8~12次课,分类
K近邻、决策树、随机森林(random decision forests)、15分钟实践(随机森林运用)
Adaboost(包括公式推导、加法模型、指数损失函数的理解)
朴素贝叶斯、与贝叶斯网络(Bayesian Network)
支持向量机(最大间隔分类、拉格朗日乘值、对偶问题、损失函数、最优化理论、SMO)、半小时实践(libsvm的简单运用)
EM、混合高斯模型

第13次课,主题模型(概率潜语义分析PLSA、隐含狄利克雷分布LDA)、15分钟实践(文档主题的提取)

第14~15次课,标注
马尔科夫链、隐马尔可夫模型HMM(Hidden Markov Model)
条件随机场CRF

第16次课,概率图模型专题:包括贝叶斯网络、马尔可夫随机场(Markov Random Field)、因子图等等
第17次课,SVD、主成分分析PCA、因子分析、独立成分分析ICA
第18次课,卷积神经网络(CNN)、深度学习浅析
第19次课,变分推断方法(Variational Inference)
第20次课,知识图谱/开源库的介绍与运用

PS:虽然课程大纲尚未最终确定,但3月机器学习在线班目前可以提前报名拉:http://ask.julyedu.com/question/157,想听机器学习的请抓紧。
已邀请:

July - 抠细节抠体验,不妥协不将就。

赞同来自:


3月机器学习在线班提前报名通知,想听机器学习的现在可以提前报名拉:http://ask.julyedu.com/question/157

目前的大纲不仅包括《统计学习方法》那本书上的大部分算法,而且还有很多非常值得期待的内容。

要回复问题请先登录注册